申请/专利权人：哈尔滨工业大学

申请日：2023-08-28

公开（公告）日：2024-04-16

公开（公告）号：CN117269954B

主分类号：G01S13/88

分类号：G01S13/88

优先权：

专利状态码：有效-授权

法律状态：2024.04.16#授权;2024.01.09#实质审查的生效;2023.12.22#公开

摘要：一种基于YOLO的探地雷达道路多重隐蔽病害实时识别方法。目前的探地雷达道路识别方法中未有兼备同时对多种病害信息同时识别并实时且及时的检测过程。本发明中的探地雷达道路多重隐蔽病害实时识别方法为将采集后雷达数据进行预处理后进行筛选，筛选后的数据进行多重道路隐患目标标注后制作形成图像数据集，利用训练优化完毕的YOLO神经网络模型对图像数据集进行平均精度AP、精确率P、召回率R、调和平均值F1、平均精度均值mAP、每秒传输帧数FPS和或推理时间XX的识别和评估过程。

主权项：1.一种基于YOLO的探地雷达道路多重隐蔽病害实时识别方法，其特征在于：探地雷达道路多重隐蔽病害实时识别方法为将采集后雷达数据进行预处理后进行筛选，筛选后的数据进行多重道路隐患目标标注后制作形成图像数据集，利用训练优化完毕的YOLO神经网络模型对图像数据集进行平均精度AP、精确率P、召回率R、调和平均值F1、平均精度均值mAP、每秒传输帧数FPS的识别和评估过程；将采集后雷达数据进行预处理后进行筛选的过程为：雷达数据采集；将雷达采集到的图像数据进行滤波，过滤探地雷达脉冲信号之外的干扰信号；对已滤波处理后的图像数据进行图像识别，对图像中不同类型病害进行识别分类；同时，同步对已滤波处理后的图像数据进行图像捕捉，通过识别分类以及图像捕捉处理后的图像形成一级目标图像数据；筛选后的数据进行多重道路隐患目标标注的过程为：对一级目标图像数据进行筛选，通过钻芯取样、人工图像分析和或专家解译方法在一级目标图像中确定病害区域，确定多重道路隐蔽病害目标类型以及配置个数后，依据已确定的多重道路隐蔽病害目标类型、配置个数并利用Labelimg对一级目标图像数据中的病害区域进行多重道路隐蔽病害的标注过程，形成带有多重类型病害的二级目标图像数据；筛选后的数据进行多重道路隐患目标标注后制作形成数据集的过程为：将二级目标图像数据制成VOC格式的探地雷达图像数据集，探地雷达图像数据集为按照训练集：验证集：测试集为3.2：0.8：1的比例进行划分的图像数据集；训练优化完毕的YOLO神经网络模型形成优化YOLO神经网络模型，利用训练优化完毕的YOLO神经网络模型对图像数据集进行平均精度、精确率、召回率、调和平均值F1、平均精度均值、每秒传输帧数FPS识别和评估过程包括利用训练优化完毕的YOLO神经网络模型对数据集进行平均精度、精确率、召回率、调和平均值F1、平均精度均值、每秒传输帧数FPS识别和评估过程，具体为：将得到的探地雷达图像数据集中的训练集输入YOLO网络模型中，对其进行迭代训练，得到权重模型；将得到的数据集中的测试集输入得到的权重模型，对道路内部病害目标探地雷达回波图像进行评估过程；评估过程为对通过YOLO神经网络模型对图像数据集的评估过程，YOLO神经网络模型对图像数据集的评估过程为通过平均精度AP、精确率P、召回率R、调和平均值F1、平均精度均值mAP、每秒传输帧数FPS评价训练后模型的探地雷达图像病害与异常目标检测数据，其数据的准确程度与实际道路情况之间的差异率在3％以下，从而实现对道路多重隐蔽病害的准确预估过程；平均精度AP、精确率P、召回率R、调和平均值F1、平均精度均值mAP、每秒传输帧数FPS涉及的计算公式为：精确率P： 召回率R： 平均精度AP与平均精度值mAP： 调和平均值F1： 每秒传输帧数FPS的影响因素为macroP、macroR、macroF1： 其中，TP——该目标是正例，且在目标检测任务中被预测为正例的个数；FP——该目标是负例，且在目标检测任务中被预测为正例的个数；Pr——精确率与召回率两者对应的曲线；N——多类别目标检测任务中的类别数；i——含有的不同检测种类数，i取值为2、3或4，当i最大值为4时，表明含有四种不同检测种类数为多重道路隐蔽病害目标，分别为竖井、空洞、结构层沉降和裂缝。

全文数据：

权利要求：

百度查询： 哈尔滨工业大学 基于YOLO的探地雷达道路多重隐蔽病害实时识别方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD